HydraLM/corpus_1_clustered

---
dataset_info:
features:
- name: text
dtype: string
- name: conversation_id
dtype: int64
- name: dataset_id
dtype: string
- name: unique_conversation_id
dtype: string
- name: embedding
sequence: float64
- name: text_processed
dtype: string
- name: __index_level_0__
dtype: int64
- name: cluster
sequence: int64
splits:
- name: train
num_bytes: 99791008
num_examples: 10000
download_size: 75705515
dataset_size: 99791008
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---
# Dataset Card for "corpus_1_clustered"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

---
数据集信息：
特征字段：
- 名称：text（文本），数据类型：字符串（string）
- 名称：conversation_id（对话ID），数据类型：64位整数（int64）
- 名称：dataset_id（数据集ID），数据类型：字符串（string）
- 名称：unique_conversation_id（唯一对话ID），数据类型：字符串（string）
- 名称：embedding（嵌入向量）：数据类型为64位浮点数序列（float64）
- 名称：text_processed（预处理文本），数据类型：字符串（string）
- 名称：__index_level_0__，数据类型：64位整数（int64）
- 名称：cluster（聚类标签）：数据类型为64位整数序列（int64）
划分集：
- 名称：train（训练集）：占用字节数：99791008，样本数量：10000
下载大小：75705515
数据集总占用大小：99791008
配置项：
- 配置名称：default（默认）
数据文件：
- 划分集：train（训练集）
文件路径：data/train-*
---
# 「corpus_1_clustered」数据集卡片

[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集信息

特征

• text: 类型为字符串
• conversation_id: 类型为64位整数
• dataset_id: 类型为字符串
• unique_conversation_id: 类型为字符串
• embedding: 类型为64位浮点数序列
• text_processed: 类型为字符串
• index_level_0: 类型为64位整数
• cluster: 类型为64位整数序列

数据分割

• train: 包含10000个样本，占用99791008字节

数据大小

• 下载大小: 75705515字节
• 数据集大小: 99791008字节

配置

• default: 包含训练数据文件，路径为data/train-*